ANALISIS SEGMENTASI PELANGGAN MENGGUNAKAN RECENCY FREQUENCY AND MONETARY (RFM) BERBASIS PYTHON

Putri Rezki Amalia; Muh. Rusli Said; Ariastuti Rahman

doi:10.35329/jp.v8i1.6424

ANALISIS SEGMENTASI PELANGGAN MENGGUNAKAN RECENCY FREQUENCY AND MONETARY (RFM) BERBASIS PYTHON

Putri Rezki Amalia, Muh. Rusli Said, Ariastuti Rahman

Abstract

Dalam dunia bisnis, memahami perilaku pelanggan merupakan hal yang krusial untuk mempertahankan loyalitas dan meningkatkan strategi pemasaran. Salah satu metode yang dapat digunakan untuk menganalisis perilaku pelanggan adalah metode RFM (Recency, Frequency, and Monetary), yang mengelompokkan pelanggan berdasarkan seberapa baru transaksi terakhir dilakukan, seberapa sering mereka melakukan transaksi, dan seberapa besar nilai transaksinya. Penelitian ini bertujuan untuk membangun sistem segmentasi pelanggan menggunakan metode RFM berbasis Python guna membantu perusahaan dalam mengidentifikasi nilai dan karakteristik pelanggan secara lebih efektif. Metode yang digunakan dalam penelitian ini meliputi pengumpulan data transaksi pelanggan, perhitungan nilai RFM, pemberian skor pada masing-masing aspek, serta pengelompokan pelanggan ke dalam beberapa segmen berdasarkan kombinasi skor tersebut. Sistem dibangun dengan menggunakan bahasa pemrograman Python serta didukung oleh library seperti Pandas dan NumPy untuk pengolahan data. Hasil penelitian menunjukkan bahwa sistem mampu mengelompokkan pelanggan ke dalam berbagai segmen seperti Loyal Customer, At Risk Customer, dan Potential Loyalist secara otomatis dan akurat. Pengujian dengan metode Black Box dan White Box membuktikan bahwa sistem berjalan sesuai fungsinya dan dapat digunakan sebagai alat bantu analisis pelanggan dalam pengambilan keputusan strategis oleh perusahaan.

Keywords

Segmentasi Pelanggan, RFM, Python, Loyalitas Pelanggan, Analisis Data

Full Text:

PDF

References

Geni, B., Ramayanti, D., & Mahasiswa, A. R. (2024). Implementasi sistem point of sale terintegrasi berbasis Python. [Nama Jurnal belum lengkap], 8(4).

Herawan, M., & Informasi, H. M. (2024). Implementasi aplikasi e-commerce untuk Flamboyant Bakery dengan menggunakan Python Flask. Jurnal Teknologi Sistem Informasi, 5(1), 12–23.

Hermawan, A., Jayanti, N. R., Saputra, A., Tambunan, C., Baihaqi, D. M., Syahreza, M. A., & Bachtiar, Z. (n.d.). Optimalisasi strategi pemasaran melalui analisis RFM pada dataset transaksi ritel menggunakan Python. 2(4), 254–267.

Ilman, M., & Sulianta, F. (n.d.). Segmentasi pelanggan perbankan menggunakan metode clustering K-Means. [Nama jurnal belum lengkap]. Diakses 15 Juni 2025, dari https://www.researchgate.net/

Zaenal, J., Chulkamd, Z. T., & Mawaddah, M. (2025). Segmentasi konsumen menggunakan algoritma K-Means clustering dan analisis RFM guna mengetahui karakteristik konsumen. Jurnal Ilmiah Wahana Pendidikan, 11, 255–263.

Madani, A. (2025). Analisis RFM (recency, frequency, monetary) dan K-Means clustering untuk segmentasi pelanggan (Studi kasus data transaksi Minimarket ABC tahun 2023).

Maresti, F. A., Anugraheni, G. M., Hargiyanto, R. A., & Mustaqim, K. (n.d.). Penerapan exploratory data analysis (EDA) dan analisis recency, frequency, and monetary (RFM) untuk segmentasi pelanggan. Diakses 15 Juni 2025, dari https://ejurnal.ulbi.ac.id/

Said, R., & R. R. (2022). Sistem pengaduan pada Universitas Al Asyariah Mandar berbasis helpdesk. Diakses 15 Juni 2025, dari https://journal.lppm-unasman.ac.id/

Saputra, A., & Y. R. (2024). Algoritma DBSCAN dan K-MeANS dalam segmentasi pelanggan pengguna transportasi publik Transjakarta menggunakan metode RFM. International Journal of Machine Learning and Applications.

Tritularsih, Y., & Teknik, H. P. (2025). Penerapan machine learning untuk pencarian pelanggan loyal berpotensi menggunakan metode Python Pandas Seaborn.